# 強化學習調優

MiMo-7B-RL是基於MiMo-7B-SFT模型訓練的強化學習模型，在數學與代碼推理任務上表現出色，性能媲美OpenAI o1-mini。

Llama 3 8B 64K是基於Meta的Llama 3 8B模型，通過PoSE技術將上下文長度從8k擴展到64k，優化了語言生成能力，適用於對話等多種自然語言處理場景。

Meta Llama 3 70B是由Meta開發的大語言模型，具有700億參數，支持8k上下文長度，適用於英語的商業和研究用途。

這是Meta Llama 3系列中的80億參數指令調優模型的GGUF量化版本，針對對話場景優化，在多項基準測試中表現優異。

這是一個基於PPO算法的強化學習模型，專門用於解決LunarLander-v2環境中的著陸任務。